最近笔者在STATALIST上面看到别人问的一个问题——如何从一堆作者的名字中提取出姓氏。

   虽然我们用“[A-Z][a-z]+” 的正则表达式可以匹配到姓氏，但是由于每一条的姓氏数量不同，当我们要把每一个姓氏都提取出来时，要么用一个较为复杂的正则表达式来匹配提取，要么用每次 将第一个提取出来后都用ustrregexrf()函数将第一个替换为空，反复提取。这两个都是比较麻烦的方法。有人在下面回复了一个命令，不仅可以快速 解决这个问题，而且还在文本分析中可以有更广泛的运用。这个命令就是moss。

   moss命令是一个外部命令，在使用前需要安装。比如上面这个例子，我们来进行简化一下，用其中五条，来具体演示moss命令的用法。

   首先我们生成author变量，输入五条内容：

   然后我们用moss命令和正则表达式来提取：

moss author, match("([A-Z][a-z]+)") regex

   新生成的变量中，_count表示匹配到的子字符串的个数，_match1和_match2分别是我们匹配到提取出的子字符串，_pos1和_pos2分别是两个匹配到的子字符串的位置。我们可以通过prefix和suffix两个选项来修改生成的变量名，也可以通过max()选项来确定我们提取的数量。在这里需要注意的是，我们如果是用正则表达式来进行匹配和提取的话，正则表达式外面需要加上括号，并且加上regex这个选项。如果不用正则表达式的话，则只会生成匹配到的次数和每次匹配到的内容所在的位置这些变量，不会有匹配到的内容的变量生成。还是利用这个例子，我们直接用字符a来匹配，结果如下图所示：

   我们在进行文本分析的时候经常会需要统计某个词出现的次数，用这个命令就可以完成。但在实际操作的过程中也会有一些需要注意的细节。举一个简单的例子，我们要查出“This is a cat”中单词“is”的数量，很显然只有一个。但是我们直接用“is”来匹配的话，就会出现问题。
   我们在这里一共匹配到了两个，原因是This中的is也被匹配到了。当文本内容非常多的时候，很容易受到各种干扰。我们当然可以在is前后都加上空格，防止This中的is被匹配到。

   这样做确实只匹配到了一处，也就是is，但是我们看所在的位置时候，发现是从第5个字符开始，而不是is所在的第6个字符，原因就是我们在这里得到的其实是is前面空格所在的位置。如果我们也要防止这个问题，该怎么办呢？这里，我们就需要用正则表达式，而且必须用Stata14版本。Stata14中，新增了大量的unicode 字符串函数，对正则表达式的元字符也进行了大量的扩充，其对字符串处理的能力是Stata之前的所有版本所无法比拟的。在新添加的元字符中，有一个\b元 字符，它所匹配的就是单词的边界。比如“\bis\b”匹配到的就是is，用“\bcat”可以匹配到以cat开头的单词。用这个元字符，我们就可以解决 之前的问题。用到的命令为：

moss a, match("(\bis\b)") regex unicode

   这里的unicode选项表示我们用Stata14中的字符串函数，使用了Stata14新增加的元字符，这个选项也只有在Stata14版本中才能使用。这样就完美解决了我们上述问题。

   在我们以前的公众号上，有位师兄曾经写了一篇推文介绍了一些简单的文本分析方法，当时师兄用到的例子是从唐诗三百首中统计“故乡”出现的次数、出现故乡的诗的数量、出现故乡的诗是哪些。在推文中介绍的方法是使用subinstr()函数将所有的“故乡”替换成空，然后用之前的字符长度减去新的字符长度，除以“故乡”的字符长度，就可以得到故乡出现的次数。使用moss命令也可以完成这个任务，感兴趣的朋友可以自己尝试一下。

   但是在做中文的文本分析时，最先要解决的问题就是分词。比如我们要找“果 然”这个词出现的次数，结果有句话是“我先吃水果然后再喝汽水”，这里的“果然”当然不是我们想要找的果然，这就对我们的结果产生了影响。只有把这句话像 英文一样把每个词都分开，变成“我 先 吃 水果 然后 再 喝 汽水”，才能避免这样的影响。因此，对中文的文本分析，要先注意做好分词，这样才能使我们的结果更准确。

   我们团队原来的微信公众号是“数据处理援助中心”，现在正式搬家到“爬虫俱乐部”，欢迎关注。新的公众号开始，我们推出有问必答栏目，对您提出的问题，我们会尽力回答，并通过推文的形式进行发布。我们也欢迎各位粉丝向公众号投稿。

欢迎大家踊跃投稿，介绍一些关于stata的数据处理和分析技巧。

投稿邮箱：xueyuan19920310@163.com

投稿要求：

1）必须原创，禁止抄袭；

2）必须准确，详细，有例子，有截图；

注意事项：

1）所有投稿都会经过本公众号运营团队成员的审核，审核通过才可录用，一经录用，会在该推文里为作者署名。

2）邮件请注明投稿，邮件名称为“投稿”+“推文名称”

3）如果大家遇到关于stata处理分析数据的问题，也可以给该邮箱写邮件，邮件名称为“提问”+“问题名称或者关键词”，我们会在后期的推文里给予解答。

长按二维码关注公众号